Waymo 公布從 2 億英里自動駕駛里程中汲取的 10 項 AI 經驗教訓

Waymo 2 億英里自動駕駛里程背後的不舒服教訓

每家自動駕駛公司最終都必須面對來自買家或監管機構的一個令人尷尬的問題：如果系統真的像示範所展示的那樣強大，為何從一個城市擴展到下一個城市，需要耗費數年而非數月？ Waymo 透過週三發布的一篇部落格文章，比平時公開聲明更直接地回答了這個問題，並公布了十項具體的工程原則，這些原則源自超過 2 億英里的全自動駕駛里程——這是該領域任何公司目前所能宣稱的最大真實世界運作數據集——而這十項原則中蘊含的答案，正是買家鮮少想聽到的： 真正的難點從來不是在示範中證明車輛能夠自動駕駛，而是建立分層驗證與治理系統，讓公司有足夠信心永久移除安全駕駛員。

Alphabet 的自動駕駛子公司 Waymo 目前在美國多個大都會區營運全自動駕駛的機器人計程車服務，並於本週宣布將進軍慕尼黑，作為其首個歐盟市場。這一細節讓這篇聚焦方法論的文章在時機上，除了純粹的思想領導力之外，更增添了戰略層面的分量。 一家進軍新監管管轄區的公司，顯然有動機透過公開且包含某些技術細節的方式，證明其擴張決策是基於可重複、可稽核的流程，而非僅憑單一城市的營運紀錄所建立的信心。 結合這項擴張策略來看，這十項教訓的作用已不再僅是針對一般大眾的解說，而是更像一份技術公信力文件，旨在向監管機構、保險公司及企業合作夥伴證明：Waymo 的安全論證能否在該公司建立初期營運紀錄的美國市場之外依然成立。

感測器冗餘是一種設計哲學，而非物料清單中的單一項目

Waymo 的第一項，也是公眾最熟悉的一項

其核心原則在於：僅靠攝影機是不夠的，而雷射雷達（LiDAR）、雷達（Radar）與攝影機的結合，才能提供安全關鍵系統所必需的冗餘性與互補性感測能力。 這項主張並非新論點，Waymo 多年來一直以此反駁僅依賴攝影機的競爭對手，但該公司本週的論述，將其與「故障模式覆蓋範圍」的關聯性闡述得比「原始感測精確度」更為明確： 每種感測器在不同條件下會產生不同的效能退化：相機在低光或強光眩光環境下、雷達在密集干擾物環境中、雷射雷達在強降水環境中；而融合這三種感測器的系統，則不存在任何單一環境故障點，能悄無聲息地同時破壞其整體感知圖像。 對於評估任何自動駕駛系統的買家而言——無論是機器計程車平台，還是需做出安全相關決策的工業用自動導航機器人（AMR）——實務上的啟示在於：應在故障模式層面深入檢視感測器冗餘的主張，具體詢問哪些條件會導致哪種感測器效能下降，而非僅將其視為勾選「多感測器」這項通用選項。

第二項原則是，高精細地圖仍能作為 Waymo 所稱的「心理記憶」層，提供實質價值；這與業界另一種論調相左——該論調認為，端到端學習駕駛技術最終將使詳細的預先地圖變得不再必要。 Waymo 的立場是：地圖恰恰能在即時感測最不可靠的狀況下發揮作用——例如能見度低、路口幾何形狀特殊，或是設有令人困惑的臨時標記的施工區域——其功能是作為即時感測系統可對照的預先預期，而非車輛盲目遵循的僵化腳本。 這與純粹的端到端方法在設計哲學上存在實質差異，也部分解釋了為何 Waymo 歷來在各城市的擴展速度，比採用無地圖方法所能達到的速度更慢：為每個新的營運區域建立並維護這套地圖預設資料，本身就是一項重大且持續的工程投資，其規模會隨著

地理覆蓋範圍，而非一次性成本。

整合優於模組化，以及「不盲信模型」的紀律

Waymo 的第三項原則指出，數量較少但規模更大的整合式基礎模型，在大規模應用時表現優於由多個狹窄專用模型組成的模組化集合；這與工程界的直覺本能相悖——該直覺認為，將棘手的問題拆解為較小且可獨立驗證的模塊，理應更安全且更易於除錯。 Waymo 的論點是，整合能捕捉跨領域的語境，而模組化處理流程則會在每個交接邊界上遺失這些資訊；分別建構並驗證的感知模組與規劃模組，雖然在孤立狀態下各自表現良好，但結合後卻可能產生不安全的行為，而這類行為是任一模組的測試套件都無法偵測到的，因為故障僅會在兩者互動時才顯現。

這種整合使得第四項原則——即「黑盒系統不可接受，且每項駕駛決策都需要獨立的驗證層」——比在完全模組化架構中更難實現；而 Waymo 願意承擔這項額外的工程負擔，正是這篇貼文中最具啟發性的細節之一。 該公司描述了一種監控層，其會將整合模型的輸出結果與物理定律及交通法規的限制進行比對，且此過程獨立於產生這些輸出的模型本身；相較於單純信任經過充分驗證的模型輸出，這是一種實質上截然不同且成本更高的安全架構。對於任何評估 AI 驅動實體系統（無論是機器人或其他領域）的採購團隊而言， 是否具備一個不與主要決策模型共享故障模式的獨立驗證層，相較於主要模型本身的複雜程度，才是更具實質意義的安全區隔因素；因為若缺乏此層，即使單一經過良好訓練的模型再如何強大，仍僅是單一故障點。

模擬、批判與制度化紀律

懷疑主義

第五與第六項原則——閉環模擬（其中模擬的交通狀況會對車輛自身的行為作出反應）， 以及一套自動化的「AI 評審」系統——該系統會持續分析數百萬英里的駕駛數據，在潛在問題引發事故前及早揭露不當模式——這兩種原則闡述了一種安全驗證方法：將車隊自身累積的經驗視為持續審計的輸入資料，而非企業僅定期檢視的靜態訓練資料集。 這種區別在運作層面上至關重要，因為僅在預定重新訓練間隔內從數據中學習的系統，可能在總體統計數據中被察覺前，已潛藏故障模式長達數月之久；而持續自動評析的設計，則旨在於更短的時間內揭露相同的模式。 Waymo 將這種持續性審查與閉環模擬相結合——在該模擬環境中，系統會對車輛做出真實反應，而非重播固定的、 預先錄製的場景，使該公司得以對罕見失效模式的假設進行壓力測試，無需等待累積足夠的實際行駛里程，以取得某個事件（該事件可能每行駛數百萬英里才發生一次）在統計上具意義的樣本。

第七項原則指出，當視覺-語言模型與感測器融合技術結合時（該公司內部稱之為「快慢架構」），將能增強推理能力；這是十項原則中概念上最具野心的一項，也是與業界推動以基礎模型為基礎的駕駛系統最直接相關的一項。 這種「快與慢」的框架刻意借鑒了雙過程認知理論：一個快速、反射性的層級以即時控制所需的速度處理例行駕駛決策；而另一個較慢、更審慎的推理層級——其運作方式更接近語言模型處理模糊情境的方式——則用於應對真正新穎的情境，這些情境是純粹反應式系統難以安全處理的。該架構是

Waymo 試圖在維持行駛車輛執行例行控制所需的確定性與低延遲反應的同時，兼顧大型模型在其他領域所展現的泛化優勢；然而，這項平衡問題在更廣泛的自動駕駛產業中仍存在激烈爭議，而非如 Waymo 所聲稱的那樣已獲得最終解決。

治理才是真正的瓶頸，而非技術

第八與第九項原則，正是 Waymo 這篇貼文最明確地針對監管機構與企業合作夥伴，而非一般技術受眾所發出的訊息。 Waymo 闡述了一套正式且定量的治理框架，用以評估系統在做出任何擴展決策、移除安全駕駛員、進入新城市或擴展運作設計域之前，是否已展現足夠的準備就緒程度；同時還建立了一個持續運轉的「數據飛輪」，將資料收集、標註、重新訓練與驗證作為常態運作流程循環進行，而非僅是定期專案。 這兩項原則共同勾勒出一個組織的樣貌：其擴展步伐是基於治理門檻而非單純倚賴工程信心來決定。相較於僅憑純粹的技術安全論點，這種立場在進入歐盟等新監管管轄區時更具說服力——因為監管機構在評估新興技術時，通常會更傾向於被一個經過驗證、 可重複的決策流程，而非那些他們難以透過獨立手段驗證的原始性能統計數據。

第十項也是最後一項原則——真正的自動駕駛無可替代，且升級版的駕駛輔助系統並不能作為真正第4級成熟度的有效替代指標——這是 Waymo 最尖銳且最具競爭意味的主張，也是對那些透過逐步推出功能更強大的駕駛輔助產品來朝全面自動駕駛邁進的競爭對手，所作出的隱含反駁。 Waymo 的論點是，若某個系統的設計是基於「人類駕駛員仍可隨時介入」的假設，那麼

與從一開始就完全不設有人為備用方案的系統相比，設有備用方案的系統會養成不同的工程習慣，其安全架構中也蘊含著不同的潛在假設；而且，當駕駛輔助系統的能力統計數據開始趨近於真正的自動駕駛系統時，這些差異並不會就此消失。 無論此論點是否成立，勢必會遭到採取漸進式發展路徑的競爭對手質疑；但這並非行銷噱頭，而是一個邏輯自洽且可驗證的立場，並為評估各自動駕駛供應商的買家提供了一個值得探討的具體架構問題：該系統是從最初設計時便未設有人為備用機制，還是後來才在原本以備用機制為核心的系統上，追加了全自動駕駛功能？

值得帶往慕尼黑的訊號

Waymo 選擇在確認進軍新歐洲市場的同週，公布此等層級的工程細節，絕非偶然。2 億英里的運行紀錄，是該公司目前最有力的證據，證明其「十項原則」框架所打造的系統，即使沒有人類備援，也能獲得監管機構與公眾的信任， 而將該框架明確闡述出來——而非僅將其隱含於安全統計數據背後——是刻意的一場賭注：技術透明度將比單憑「黑盒子」式安全紀錄更快地通過新的監管審批流程。 試想這個未被寫下的故事：黃昏時分，一輛 Waymo 自動駕駛車行駛在雨中的慕尼黑十字路口，一輛電車橫越其行進路線，一名自行車騎士從地圖建模團隊從未完全建模的自行車道併入車流，而獨立驗證層及時攔截了主模型遺漏的狀況，使其避免成為頭條新聞，而非明年安全報告中的腳註。 正是這種不起眼、無形的「攔截」——而非又一個里程數里程碑——才是這十項原則實際上旨在確保的目標。

免責聲明：本文僅供一般資訊參考，並不構成

投資、法律或採購建議。讀者應在做出商業決策前，向原始來源核實相關細節。